周鳳

摘 要： 煙霧圖像檢測(cè)對(duì)于預(yù)防火災(zāi)具有重要的研究意義，煙霧受到空氣和自身擴(kuò)散的作用，變化過(guò)程十分復(fù)雜，導(dǎo)致傳統(tǒng)方法的檢測(cè)效果差，為了解決該難題，提出證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)方法。研究了當(dāng)前煙霧圖像檢測(cè)狀態(tài)，找到引起當(dāng)前方法檢測(cè)效果差的原因，提取煙霧圖像特征，并采用神經(jīng)網(wǎng)絡(luò)得到煙霧圖像檢測(cè)結(jié)果，最后根據(jù)證據(jù)理論對(duì)神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)結(jié)果進(jìn)行融合，并通過(guò)煙霧圖像檢測(cè)實(shí)驗(yàn)進(jìn)行可行性驗(yàn)證，該方法煙霧圖像檢測(cè)正確率超過(guò)95%，獲得了令人滿意的煙霧圖像檢測(cè)結(jié)果。

關(guān)鍵詞： 煙霧圖像； 煙霧檢測(cè)； 證據(jù)理論； 火災(zāi)報(bào)警； 神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）07?0055?04

Smoke image detection based on evidence theory and neural network

ZHOU Feng

（Suihua University， Suihua 152061， China）

Abstract： The smoke image detection has great research significance to prevent fire disaster. The smoke influenced by the air and its diffusion has a complicated variation process， so the traditional method has poor detection effect. In order to solve the problem， the smoke image detection method based on evidence theory and neural network is put forward. The detection status of the current smoke image is studied to find out the reason causing poor detection effect of the current method. And then the smoke image feature is extracted. The neural network is used to obtain the smoke image detection results. The smoke image detection results produced by the neural network are fused according to the evidence theory. The feasibility of the method was verified with smoke image detection experiment. The image detection accuracy of the method can reach up to more than 95%， and the method has achieved a satisfied smoke image detection result.

Keywords： smoke image； smoke detection； evidence theory； fire alarm； neural network

0 引 言

火災(zāi)威脅著人們的生命和財(cái)產(chǎn)安全，為盡早發(fā)現(xiàn)火災(zāi)，采取相應(yīng)的防范措施，可以通過(guò)對(duì)火災(zāi)進(jìn)行檢測(cè)，減少火災(zāi)帶來(lái)的經(jīng)濟(jì)損失[1?2]。當(dāng)前火災(zāi)檢測(cè)的方法眾多，有的采用感光傳感器、感溫傳感器等進(jìn)行，但是這些傳感器如何部署至關(guān)重要，再加上傳感器自身檢測(cè)精度不足，它們的實(shí)際應(yīng)用范圍有限。根據(jù)火災(zāi)煙霧圖像對(duì)火災(zāi)發(fā)生態(tài)勢(shì)進(jìn)行檢測(cè)，成本低、檢測(cè)效果好，已經(jīng)成為當(dāng)前火災(zāi)檢測(cè)的一個(gè)重要研究方向[2?5]。

傳統(tǒng)煙霧檢測(cè)方法主要基于光度法實(shí)現(xiàn)，該方法有一個(gè)致命的缺陷，即只有當(dāng)煙霧濃度達(dá)到一定程度時(shí)才能檢測(cè)到火災(zāi)的發(fā)生[6]。近年來(lái)，有學(xué)者提出采用火災(zāi)發(fā)生視頻圖像進(jìn)行火災(zāi)檢測(cè)，通過(guò)提取火災(zāi)圖像的顏色、運(yùn)動(dòng)信息等實(shí)現(xiàn)火災(zāi)狀態(tài)的識(shí)別，取得了不錯(cuò)的火災(zāi)檢測(cè)效果[7?8]。顏色屬于靜態(tài)特征，而運(yùn)動(dòng)信息屬于動(dòng)態(tài)特征，它們有自己的優(yōu)勢(shì)，而且它們的劣勢(shì)也十分明顯，因此單一的靜態(tài)特征或者動(dòng)態(tài)特征均難以對(duì)火災(zāi)進(jìn)行準(zhǔn)確檢測(cè)，檢測(cè)結(jié)果的可信度低[9]。一些研究人員發(fā)現(xiàn)靜態(tài)特征和動(dòng)態(tài)特征可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，建立了基于混合特征的煙霧檢測(cè)方法，比單一靜態(tài)特征或者動(dòng)態(tài)特征的檢測(cè)結(jié)果更優(yōu)，但如何將靜態(tài)特征和動(dòng)態(tài)特征的檢測(cè)結(jié)果進(jìn)行融合，當(dāng)前研究人員都是憑自己的經(jīng)驗(yàn)進(jìn)行，檢測(cè)結(jié)果的可解釋性差[10?11]。證據(jù)理論可以對(duì)各種結(jié)果進(jìn)行有效融合，并且能夠?qū)θ诤辖Y(jié)果進(jìn)行說(shuō)明和分析，可解釋性好，為此被一些研究人員用于火災(zāi)的檢測(cè)中[12]?；馂?zāi)煙霧圖像檢測(cè)實(shí)際就是一種火災(zāi)煙霧狀態(tài)識(shí)別問(wèn)題，即對(duì)火災(zāi)所處的狀態(tài)進(jìn)行分析和識(shí)別，當(dāng)前有學(xué)者采用支持向量機(jī)建立火災(zāi)煙霧圖像檢測(cè)的識(shí)別模型，但學(xué)習(xí)速度很慢，火災(zāi)煙霧圖像檢測(cè)實(shí)時(shí)性差，而火災(zāi)檢測(cè)對(duì)實(shí)時(shí)性要求高，影響火災(zāi)檢測(cè)的實(shí)際應(yīng)用價(jià)值[9]。

為了解決當(dāng)前火災(zāi)煙霧圖像檢測(cè)效果差的難題，提出證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)方法。分別提取火災(zāi)煙霧圖像的靜態(tài)特征和動(dòng)態(tài)特征，并采用神經(jīng)網(wǎng)絡(luò)根據(jù)靜態(tài)特征和動(dòng)態(tài)特征進(jìn)行煙霧圖像檢測(cè)，采用證據(jù)理論對(duì)靜態(tài)特征和動(dòng)態(tài)特征的檢測(cè)結(jié)果進(jìn)行融合，得到煙霧圖像檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法不但可以提高煙霧圖像檢測(cè)的正確率，而且火災(zāi)檢測(cè)的實(shí)時(shí)性好，在火災(zāi)檢測(cè)中具有廣泛的應(yīng)用前景。

1 證據(jù)理論和神經(jīng)網(wǎng)絡(luò)

1.1 證據(jù)理論

針對(duì)問(wèn)題的不確性和不完備性，Dempster提出了證據(jù)理論，根據(jù)識(shí)別框架和信任分配函數(shù)構(gòu)建一種信任關(guān)系，然后通過(guò)信任函數(shù)和似然函數(shù)確定置信區(qū)間。設(shè)第[i]個(gè)信息源的先驗(yàn)信息為[PpLi≤pi≤pHi=Ci，]那么置信度[Ci]表示命題[pLi≤pi≤pHi]成立的打賭概率，證據(jù)理論的工作步驟為：

（1） 根據(jù)最小擔(dān)保原則建立基本信任分配函數(shù)[mi，]并可以得到：

[BetPA=B∈ΘmBA?BB， ?A∈Θ] （1）

基本分配函數(shù)的求解方程定義如下：

[pH-pL1-0×mi0，1+mipL，pH=CimipL，pH+mi0，1=1] （2）

解得：

[mipH，pL=1-1-Ci1-pH+pLmi0，1=1-Ci1-pH+pL] （3）

第[i]個(gè)信息源可信度為[ωi，]那么修正后的[mi]為：

[m′ipH，pL=ωi×mipH，pLm′i0，1=ωi×mi0，1+1-ωi] （4）

（2） [Ai]為第[i]個(gè)信息源支持的命題，當(dāng)有[n]個(gè)命題，根據(jù)Dempster合成規(guī)則估計(jì)基本信任分配函數(shù)[m（A），]計(jì)算公式為：

[mA=?Ai=A 1≤i≤nm′iAi1-K，A≠?0，A=?] （5）

[K=?Ai=Θ 1≤i≤nm′iAi] （6）

（3） 令集合[P=PH1，PL1，PH2，PL2，…，PHi，PLi，]元素排序后集合為[P=P1，P2，…，P2n，]依據(jù)Pignistic轉(zhuǎn)換獲得打賭概率為：

[BetPi0≤P≤x=BetPi-1x=Pi-1+Aj?Pi-1，Pi≠?mAjx-Pi-1PHj-PLj] （7）

式中[x∈Pi-1，Pi]。

根據(jù)概率密度函數(shù)[fx=dBetPdx]統(tǒng)計(jì)先驗(yàn)信息的均值[μ]和方差[ν]分別為：

[μ=01xfxdxν=01x-μ2fxdx] （8）

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性處理能力，而且并行的運(yùn)行效率高，魯棒性和通用性強(qiáng)，可以通過(guò)誤差反向傳播提高問(wèn)題求解的精度，基本結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出向量分別為[x=（x1，x2，…，xn）T]和[y=（y1，y2，…，ym）T，][x∈Rn，]隱層有[h]個(gè)節(jié)點(diǎn)，隱層和輸入層、輸出層間的權(quán)值分別為[w，][v，]則輸出層的結(jié)果為：

[x′j=fi=1nwijxi-θj，j=1，2，…，h-1，hyk=fj=1hvjkx′j-θ′k，k=1，2，…，m-1，m] （9）

式中[f（?）]為Sigmoid函數(shù)。

2 證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)

2.1 煙霧可疑區(qū)域檢測(cè)

（1） 火災(zāi)煙霧兩行的亮點(diǎn)數(shù)為[f（n）]和[f（n-1），]若[x=f（n-1）f（n）>1，]說(shuō)明不是可疑區(qū)域，否則為可疑區(qū)域[S1，]計(jì)算公式為：

[S1=fire flame， disturbance， x≤1 x>1] （10）

（2） 從火災(zāi)煙霧圖像背景區(qū)域得到可疑區(qū)域[S2：]

[T=A-A?b] （11）

[S2=Th（A）&Th（T）] （12）

式中Th為二值化操作。

（3） 對(duì)圖像實(shí)現(xiàn)顏色空間轉(zhuǎn)換，得到可疑煙霧[S3]。

（4） 綜合[S1，S2，S3]能夠得到整個(gè)煙霧可疑區(qū)域[S，]具體如下：

[S=S1&S2&S3] （13）

2.2 提取特征

火災(zāi)與時(shí)間長(zhǎng)短成正相關(guān)關(guān)系，煙霧的面積同樣也呈正相關(guān)，采用煙霧面積增長(zhǎng)率[G（t，t0）]作為靜態(tài)特征，[G（t，t0）]具體如下：

[G（t，t0）=size（T）t-size（T）t0t-t0] （14）

式中：[size（T）t]和[size（T）t0]為第[t，t0]幀的煙霧面積。

根據(jù)光流方向?qū)⒖梢蓞^(qū)域劃分為4個(gè)部分：

[I1： π4≤θj≤3π4I2： -3π4<θj<-π4I3： 3π4<θj≤π?-π<θj≤-3π4I4： -π4≤θj<π4] （15）

將煙霧運(yùn)動(dòng)方向作為動(dòng)態(tài)特征，即有[Fi=（Ui，Di，][Li，Ri），]具體為：

[Ui=ku∈I1kuk∈Cik，Di=kd∈I2kdk∈CikLi=kl∈I3klk∈Cik，Ri=kr∈I4krk∈Cik] （16）

式中：[ku，kd，kl，kr]為[S]在[I1，I2，I3，I4]方向上的點(diǎn)。

2.3 煙霧圖像檢測(cè)的過(guò)程

（1） 檢測(cè)煙霧圖像的可疑區(qū)，并得到靜態(tài)特征和動(dòng)態(tài)特征。

（2） 采用神經(jīng)網(wǎng)絡(luò)分別對(duì)靜態(tài)特征和動(dòng)態(tài)特征進(jìn)行檢測(cè)，統(tǒng)計(jì)它們的檢測(cè)正確率。

（3） 根據(jù)檢測(cè)正確率構(gòu)造基本信任函數(shù)值。

（4） 根據(jù)基本信任函數(shù)進(jìn)行結(jié)果判決，得到火災(zāi)煙霧圖像的檢測(cè)結(jié)果。

證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)流程如圖2所示。

3 結(jié)果與分析

為了分析本文方法的煙霧圖像檢測(cè)性能，進(jìn)行了大量的模擬火災(zāi)點(diǎn)火實(shí)驗(yàn)，得到100幅圖像，對(duì)煙霧圖像進(jìn)行檢測(cè)，結(jié)果如圖3所示，在Matlab 2014平臺(tái)上實(shí)現(xiàn)仿真實(shí)驗(yàn)。

選擇動(dòng)態(tài)特征+神經(jīng)網(wǎng)絡(luò)，靜態(tài)特征+神經(jīng)網(wǎng)絡(luò)、文獻(xiàn)[10]、文獻(xiàn)[11]的檢測(cè)方法進(jìn)行對(duì)照實(shí)驗(yàn)，統(tǒng)計(jì)它們的實(shí)驗(yàn)結(jié)果，火災(zāi)煙霧圖像檢測(cè)率和誤檢率如圖4和圖5所示。

從圖4可知，動(dòng)態(tài)特征和靜態(tài)特征的火災(zāi)檢測(cè)正確率低，使得火災(zāi)煙霧圖像檢測(cè)結(jié)果不可信；從圖5可以發(fā)現(xiàn)，動(dòng)態(tài)特征和靜態(tài)特征的火災(zāi)誤檢率高，這是因?yàn)樗鼈儾荒苋?、?zhǔn)確地描述火災(zāi)煙霧變化趨勢(shì)。

相對(duì)于文獻(xiàn)[10]以及文獻(xiàn)[12]的火災(zāi)煙霧圖像檢測(cè)方法，本文方法的火災(zāi)煙霧圖像檢測(cè)結(jié)果更可靠，同時(shí)從表1的平均檢測(cè)時(shí)間可以發(fā)現(xiàn)，本文方法的檢測(cè)時(shí)間也要小于文獻(xiàn)[10]以及文獻(xiàn)[12]，提高了火災(zāi)煙霧圖像檢測(cè)的實(shí)時(shí)性，而動(dòng)態(tài)特征和靜態(tài)特征的火災(zāi)煙霧圖像檢測(cè)時(shí)間雖然很短，但是檢測(cè)結(jié)果差，不能滿足火災(zāi)防范的要求。

4 結(jié) 語(yǔ)

煙霧圖像檢測(cè)結(jié)果有利于火災(zāi)的預(yù)防，在火災(zāi)發(fā)生過(guò)程中，煙霧外界的作用變化復(fù)雜，傳統(tǒng)方法無(wú)法獲得滿意的檢測(cè)結(jié)果，為解決傳統(tǒng)煙霧圖像檢測(cè)過(guò)程中存在的一些不足，提出證據(jù)理論和神經(jīng)網(wǎng)絡(luò)的煙霧圖像檢測(cè)方法。首先分別提取反映煙霧變化的特征，然后采用神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)特征進(jìn)行煙霧圖像檢測(cè)，并采用證據(jù)理論對(duì)單一特征的煙霧圖像檢測(cè)結(jié)果進(jìn)行融合，在Matlab 2014平臺(tái)上的實(shí)驗(yàn)結(jié)果表明，本文方法比當(dāng)前煙霧圖像檢測(cè)方法的檢測(cè)效果要優(yōu)，具有較強(qiáng)的通用性，能夠應(yīng)用于實(shí)際的煙霧環(huán)境檢測(cè)中。

參考文獻(xiàn)

[1] 常太華，蘇杰，田亮.一種基于DSP實(shí)現(xiàn)火焰檢測(cè)的方法[J].華北電力大學(xué)學(xué)報(bào)，2002，29（4）：48?50.

[2] 王磊，童子權(quán).基于圖像處理技術(shù)的火焰檢測(cè)算法研究[J].電子測(cè)量技術(shù)，2010（4）：52?55.

[3] 練秋生，李黨.融合多種特征的煙霧圖像檢測(cè)算法[J].光學(xué)技術(shù)，2009，35（4）：523?528.

[4] 楊猛，趙春暉，潘泉，等.基于小波分析的煙霧多特征融合和空間精度補(bǔ)償森林火情檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào)，2009，14（4）：694?700.

[5] 文方，陳慕君，劉佳.基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)報(bào)警系統(tǒng)[J].機(jī)械制造與自動(dòng)化，2009，38（6）：93?94.

[6] 袁非牛，張永明，劉士興，等.基于累積量和主運(yùn)動(dòng)方向的視頻煙霧檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2008，13（4）：808?813.

[7] 王瑩，李文輝.基于多特征融合的高精度視頻火焰檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2010，21（3）：769?775.

[8] 許宏科，房建武，文常保.基于亮度與火焰區(qū)域邊緣顏色分布的火焰檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2010，27（9）：100?103.

[9] 吳愛國(guó)，杜春燕，李明.基于混合高斯模型與小波變換的火災(zāi)煙霧探測(cè)[J].儀器儀表學(xué)報(bào)，2008，29（8）：1622?1626.

[10] 鄭璐，陳俊.基于運(yùn)動(dòng)和顏色的視頻煙霧檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（21）：4650?4653.

[11] 夏文德，練秋生.基于視頻處理的煙霧檢測(cè)快速算法[J].電子技術(shù)，2007，34（11）：135?138.

[12] 曾鳴，馮義，劉達(dá).基于證據(jù)理論的多模型組合電價(jià)預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（6）：84?89.